Deep-Learning-basierte Identifikation kollektiver Variablen und stochastische Surrogatmodellierung in der Biophysik

• Antragsteller: Wei Zhang, Ph.D.
• Fachliche Zuordnung: Mathematik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 524086759

Das Verhalten molekularer Systeme auf großen Zeitskalen zu verstehen, ist eines der zentralen Ziele vieler Forschungsaktivitäten in der Biophysik. Unter den zahlreichen bestehenden Ansätzen haben sich dabei Methoden zur Identifikation kollektiver Variablen (KV) sowie Surrogatmodelle als vielversprechend erwiesen. Trotz erheblicher Fortschritte gibt es bei beiden Ansätze jedoch nach wie vor grundlegende Schwierigkeiten in konkreten Anwendungen. Einerseits stehen zwar verschiedene Methoden zur KV-Identifizierung zur Verfügung, allerdings gibt es bisher keine systematischen Ansätze, um geeignete KVen für die molekulare Kinetik zu bestimmen. Auch an Methoden um die Anzahl der notwendigen KVen systematisch zu bestimmen, hapert es. Angesichts der jüngsten Entwicklungen von KV-Identifizierungsmethoden auf der Grundlage von Autoencodern muss das theoretische Verständnis, wie dynamische Informationen in das Training von Autoencodern integriert werden können, weiter verbessert werden. Andererseits werden Deep-Learning-basierte KVen beim Erstellen von Markov-Zustandsmodellen (MSMs), linearen (Koopman-)Modellen und verschiedenen, auf maschinellem Lernen basierenden Modellen verwendet, nicht aber zur Konstruktion von Ersatzmodellen, die auf stochastischen Differentialgleichungen (SDGLen) basieren – trotz der Vorteile ebendieser Modelle. Tatsächlich ermöglichen SDGL-basierte Sorrugatmodelle – anders als zeitdiskrete Modellen wie MSMs und Koopman-Modelle – das Sampling von Trajektorienensembles mit variabler Zeitauflösung. Anders als rein KI-basierte Modelle erlauben sie eine physikalische Interpretation (z. B. durch ihre zugrundeliegende Gradientenstruktur mit einer freien Energie) und eignen sich für die Modellfehleranalyse. In diesem Projekt werden Deep-Learning-basierte Methoden zur KV-Identifizierung und zum Aufbau von SDGL-Surrogatmodellen für molekulare Systeme mit dem Ziel entwickelt, die oben genannten Forschungslücken zwischen mathematischem Verständnis, numerischen Algorithmen und Anwendungen in der Biophysik zu schließen. Das Projekt wird sowohl theoretische als auch algorithmische Entwicklungen im Bereich Deep Learning in der Molekulardynamik beisteuern. Die neuen Methoden sollen zur Untersuchung von Proteinfaltungsprozessen eingesetzt werden.

• DFG-Verfahren: Sachbeihilfen